Naive Bayes

Naive Bayes, makine öğrenmesinde sınıflandırma görevleri için yaygın olarak kullanılan bir olasılıksal algoritmalar ailesidir. İstatistiksel ilkelere dayanan bu yöntem, özellikler arasında güçlü (veya "naive") bir bağımsızlık varsayımıyla Bayes Teoremi uygular. Basitliğine rağmen bu yöntem, özellikle metin gibi yüksek boyutlu veri kümelerini içeren senaryolarda verileri kategorilere ayırmada son derece etkilidir. Hesaplama verimliliği ile tahmin performansı arasında denge sunarak denetimli öğrenme alanının temel yapı taşlarından biri olarak hizmet eder.

Temel Kavram: "Naive" Varsayımı#

Algoritma, belirli bir veri noktasının belirli bir sınıfa ait olma olasılığını tahmin eder. "Naive" yönü, bir sınıfta belirli bir özelliğin bulunmasının diğer herhangi bir özelliğin bulunmasıyla ilişkili olmadığı varsayımından kaynaklanır. Örneğin bir meyve kırmızı, yuvarlak ve yaklaşık 3 inç çapındaysa elma olarak değerlendirilebilir. Naive Bayes sınıflandırıcısı, renk, yuvarlaklık ve boyut arasındaki olası korelasyonları dikkate almadan, meyvenin elma olma olasılığını hesaplamak için bu özellik çıkarma noktalarının her birini bağımsız olarak ele alır.

Bu basitleştirme, model eğitimi için gereken hesaplama gücünü büyük ölçüde azaltarak algoritmayı olağanüstü hızlı hâle getirir. Ancak gerçek dünya verileri genellikle bağımlı değişkenler ve karmaşık ilişkiler içerdiğinden, bu varsayım modelin performansını daha karmaşık mimarilere kıyasla bazen sınırlayabilir.

Gerçek Dünya Uygulamaları#

Naive Bayes, hızın kritik olduğu ve bağımsızlık varsayımının makul ölçüde geçerli olduğu uygulamalarda öne çıkar.

• Spam Filtreleme: Naive Bayes'in en bilinen kullanım alanlarından biri, e-posta filtrelemede doğal dil işleme (NLP) kullanılmasıdır. Sınıflandırıcı, bir e-postadaki kelimelerin (token'ların) sıklığını analiz ederek e-postanın "spam" mi yoksa "ham" mi (meşru) olduğunu belirler. "free", "winner" veya "urgent" gibi kelimelerin varlığına göre bir iletinin spam olma olasılığını hesaplar. Bu uygulama, gelen kutularını temiz tutmak için büyük ölçüde metin sınıflandırma tekniklerine dayanır.
• Duygu Analizi: İşletmeler, müşteri yorumlarını veya sosyal medya gönderilerini analiz ederek kamuoyunun görüşünü ölçmek için bu algoritmayı kullanır. Model, belirli kelimeleri olumlu veya olumsuz duygularla ilişkilendirerek büyük miktarlardaki geri bildirimleri hızla kategorilere ayırabilir. Bu sayede şirketler, her yorumu manuel olarak okumadan marka algısını anlamak için geniş ölçekli duygu analizi gerçekleştirebilir.

Naive Bayes ve Bilgisayarlı Görüde Derin Öğrenme#

Naive Bayes metin için güçlü olsa da bilgisayarlı görü (CV) gibi algısal görevlerde çoğu zaman zorlanır. Bir görüntüdeki tek bir pikselin değeri genellikle komşularına büyük ölçüde bağlıdır (örneğin bir kenar veya doku oluşturan piksel grubu). Bağımsızlık varsayımı burada geçerliliğini yitirir.

nesne algılama gibi karmaşık görsel görevlerde modern derin öğrenme (DL) modelleri tercih edilir. YOLO26 gibi mimariler, Naive Bayes'in göz ardı ettiği uzamsal hiyerarşileri ve özellik etkileşimlerini yakalamak için evrişimli katmanlardan yararlanır. Naive Bayes olasılıksal bir temel sunarken YOLO26 gibi modeller, otonom sürüş veya tıbbi teşhis için gereken yüksek doğruluğu sağlar. Bu karmaşık görü modelleri için gereken veri kümelerini yönetmek üzere Ultralytics Platform gibi araçlar, basit tablo verisi işlemeyi çok aşan, kolaylaştırılmış açıklama ve eğitim iş akışları sunar.

Bayes Ağlarıyla Karşılaştırma#

Naive Bayes'i daha geniş bir kavram olan Bayes Ağı kavramından ayırmak faydalıdır.

• Naive Bayes: Tüm tahmin düğümlerinin doğrudan sınıf düğümünü gösterdiği ve tahmin düğümleri arasında hiçbir bağlantının bulunmadığı, Bayes Ağının özelleştirilmiş ve basitleştirilmiş bir biçimidir.
• Bayes Ağları: Değişkenler arasındaki karmaşık koşullu bağımlılıkları modellemek için bir Yönlendirilmiş Döngüsüz Grafik (DAG) kullanır. "Naive" yaklaşımın basitleştirerek göz ardı ettiği nedensel ilişkileri temsil edebilirler.

Uygulama Örneği#

ultralytics paketi derin öğrenmeye odaklanırken Naive Bayes genellikle standart scikit-learn kütüphanesi kullanılarak uygulanır. Aşağıdaki örnek, sürekli veriler için yararlı olan Gaussian Naive Bayes modelinin nasıl eğitileceğini gösterir.

import numpy as np
from sklearn.naive_bayes import GaussianNB

# Sample training data: [height (cm), weight (kg)] and Labels (0: Cat A, 1: Cat B)
X = np.array([[175, 70], [180, 80], [160, 50], [155, 45]])
y = np.array([0, 0, 1, 1])

# Initialize and train the classifier
model = GaussianNB()
model.fit(X, y)

# Predict class for a new individual [172 cm, 75 kg]
# Returns the predicted class label (0 or 1)
print(f"Predicted Class: {model.predict([[172, 75]])[0]}")

Avantajlar ve Sınırlamalar#

Naive Bayes'in başlıca avantajı son derece düşük çıkarım gecikmesi ve minimum donanım gereksinimleridir. Destek Vektör Makineleri (SVM) gibi diğer algoritmaları yavaşlatabilecek devasa veri kümelerini işleyebilir. Ayrıca bağımsızlık varsayımı ihlal edildiğinde bile şaşırtıcı derecede iyi performans gösterir.

Ancak bağımsız özelliklere dayanması, öznitelikler arasındaki etkileşimleri yakalayamayacağı anlamına gelir. Bir tahmin kelimelerin birleşimine (örneğin "not good") bağlıysa Naive Bayes, dikkat mekanizmalarından veya Transformer'lardan yararlanan modellere kıyasla zorlanabilir. Ayrıca test verilerinde bir kategori eğitim kümesinde bulunmuyorsa model bu kategoriye sıfır olasılık atar; bu sorun genellikle Laplace yumuşatması ile çözülür.